@ISMB2014 読み会

東大院・新領域・情報生命

岩崎研究室 博士二年 福永 津嵩

自己紹介

研究テーマ：

「動画解析から迫るメダカの社会性行動」

Fukunaga et al. submitted

バイオイメージインフォマティクスとは？

生命画像データを対象としたバイオインフォマティクス

– 細胞や動物のトラッキング

– 核や細胞膜の同定、細胞の形状の定量化

– 単粒子解析

参加者 124名!

Cell tracking problem

• 顕微鏡の発達により、細胞を４次元(３次元+時間)で観測出来るようになった。

• どの細胞がどういう風に動いていったかを知りたい！

• 手動でやるのは大変…→コンピューターの出番です

Multi-tracking の難しさ

• 複数の細胞を全て検出する事

• 細胞が複数ある撮影条件で、細胞のIDをずっと保持しておく事

本研究の目的

• 以下の動画の条件で、IDを保持したまま複数の細胞をトラッキングする

• 動画の条件

–細胞の数は数百個

–細胞は急速に動く事がある

–フレーム間で、細胞は大体同じ方向に動く

–細胞の形は楕円体とする

Dataset

• 共焦点顕微鏡で撮影した線虫の神経核細胞

• 核はRFPで染色。

• 各ボクセルは輝度のデータのみ持つ

Dataset1

• 「細胞を検出できるか調べるためのデータ」

–時間軸データを含まない

• 大きさは512 × 256 × 203

• 各イメージは148-200の細胞を含んでおり、人間によって正解アノテーションが付けられている

• データセット10個

Dataset2

• 「トラッキング成功率検証用のデータ」

– 500フレーム, 2.56fpsの画像から構成される

• 大きさは512 × 256 × 20

• 線虫は固定されているが姿勢は変化する

Outline of the method

• 以下の4つのステップからなる。

1. 各フレームにおいて、画像データをカーネル密度推定し、連続関数に変換する。

2. 1st frameにおいて、密度関数の局所最大値を検出する。その数をgとした時、g個のtrackerを生成する。

3. 後続フレームtにおいて、密度関数とt-1フレーム目でのtrackerの場所を元に、g個のtrackerを移動させる

4. 各trackerの位置を元に細胞をセグメンテーションする。

Outline of the method

カーネル密度推定

n: 標本数

wi: 混合比(輝度を正規化したもの)

xi: voxelの座標

h: バンド幅

カーネル密度推定をする事で、画像データに含まれるノイズの影響を減らせ、正確なzero gradientが求まる

バンド幅と分散行列

• 小データで各データセットに対してチューニング

• データセット1, 2に対して、

– hは0.52と0.97

– Σはdiag(10,10,10)及びdiag(5.06,5.06,1.0)

局所最適解を探す

• 山登りアルゴリズムで局所最適解が求まる

• ψ(0)は任意の初期解

• 本データ対し、500個の初期解から始めて山登りアルゴリズムを試した所、157個中118個しか検出出来なかった

山登りアルゴリズムの改良

• m個の初期解から同時に探索させる

• 近くに他の解があったら、そのボクセルは考えない事にする。近傍の範囲はステップを踏むごとに小さくなっていく。

v0は細胞の大きさを粗く推定したもので、βはv0/500

山登りアルゴリズムの改良

トラッキングアルゴリズム

• トラッキングミスを防ぐために、「近隣の細胞は大体同じ方向に動く事」を利用する

• Cj: j の近傍

–時刻t-1において、マハラノビス距離に基づき完全グラフを作成後、最小全域木を作成

トラッキングアルゴリズム

解

セグメンテーション

• 各trackerの位置を元に細胞をセグメンテーションする。

1. ROIを初期化

2. 各ボクセルがそれぞれのROIに所属する確率を計算

3. 確率が閾値を超えていたらROIに加える

4. 収束するまで2-3を繰り返す

Result: Cell detection

Result: tracking